Konzeptkarte

Die semantische Schicht als LLM-Kontext — analytische Modelle, Geschäftssemantik

Stand 8. November 2026

Was ist die semantische Schicht als LLM-Kontext?

Eine semantische Schicht wurde für Menschen gebaut – sie verwandelt „Sachkonto 400100“ in „Nettoumsatz“ – und es stellt sich heraus, dass genau das auch ein LLM braucht: gesteuertes Vokabular, Hierarchien und Geschäftsregeln, mit denen ein Agent argumentieren kann, statt aus rohen Spaltennamen zu raten. Für Just Ask freigegebene analytische Modelle sind Datasphere’s Version davon, und ihre Qualität wird inzwischen automatisch geprüft, bevor Joule sie überhaupt nutzt.

Die für Menschen gebaute Schicht erweist sich als die Schicht, die KI braucht

Eine semantische Schicht war nie ein KI-Konzept. Jahrzehnte bevor Joule existierte, bauten BI-Tools eine, weil ein Finanzanalyst sich nicht merken sollte, dass der Umsatz in Tabelle FAGLFLEXT liegt und dass eine Währungsumrechnung laufen muss, bevor eine Zahl irgendeinen Sinn ergibt – die semantische Schicht erledigte diese Übersetzung einmal, zentral, sodass jeder Bericht dasselbe Vokabular und dieselben Regeln nutzte. Was sich geändert hat, ist, wer diese Schicht nun sonst noch liest: Ein LLM, das gefragt wird „wie hoch war unser Nettoumsatz in Deutschland im letzten Quartal“, kann aus einem rohen Schema nicht korrekt antworten, aber es kann korrekt aus einem Modell antworten, das Nettoumsatz bereits als Kennzahl definiert, Deutschland als Mitglied einer Geografie-Hierarchie, und letztes Quartal als Zeitdimension mit eingebautem Geschäftsjahreskalender. Die semantische Schicht wurde für Menschen gebaut und erweist sich als genau der abrufungsfreie, strukturierte Kontext, den ein LLM braucht, um aufzuhören zu raten.

Warum es zählt

Eine semantische Schicht ist keine KI-Erfindung — sie ist jahrzehntealte BI-Disziplin, die sich als genau der strukturierte, gesteuerte Kontext erweist, den ein LLM braucht; sie als neue Joule-Arbeit statt als Wiederverwendung bestehender Modellierungsdisziplin zu behandeln, verdoppelt den Aufwand.
Eine Hierarchie- oder Bezeichnungslücke, die ein menschlicher Berichtsautor still umgeht, wird für Joule zu einem Mangel, der eine konversationelle Antwort verschlechtert — die Toleranz für Mehrdeutigkeit ist für ein LLM viel geringer als für einen menschlichen Berichtsleser.
Die Wahl zwischen einem durch die semantische Schicht vermittelten Pfad und einem Text-to-SQL-Pfad ist ein Governance-Abwägung, keine Technologiepräferenz — zu wissen, welchen ein Anwendungsfall braucht, verändert den gesamten Delivery-Ansatz.

Kernpunkte

Die semantische Schicht geht KI voraus: Kennzahlen, Hierarchien, Währungslogik und Geschäftsbezeichnungen, aufgebaut auf Datasphere-Views für menschliches Reporting.
Was sich geändert hat, ist der Leser: Ein LLM braucht dasselbe gesteuerte Vokabular, um nicht die Bedeutung aus rohen Spaltennamen zu erraten.
Ein für Just Ask freigegebenes Modell wird über denselben Pfad für Joules Analytical Insights erreichbar — die semantische Schicht macht diese Erreichbarkeit bedeutungsvoll.
Die Q3-2026-Modell-Bereitschaftsprüfung von SAC markiert fehlende Semantik, unklare Hierarchien und mehrdeutige Bezeichnungen, bevor sie eine Joule-Antwort verschlechtern — ein Linter für Bedeutung, kein Datenqualitätswerkzeug.
Durch die semantische Schicht vermitteltes NLQ tauscht Flexibilität gegen Governance-Garantien, im Vergleich zur direkten Text-to-SQL-Erdung auf rohen Schemata.
Das Design der semantischen Schicht sollte als Joule-Bereitschafts-Liefergut geprüft werden, erneut nach jeder strukturellen Änderung eines freigegebenen Modells.

Begriffe auf dieser Seite

Semantische Schicht: Das gesteuerte Vokabular — Kennzahlen, Hierarchien, Währungslogik, Geschäftsbezeichnungen —, das zwischen rohen Tabellen und einem Bericht oder KI-Agenten sitzt.
Analytisches Modell: Das Datasphere-/SAC-Objekt, das die semantische Schicht für einen bestimmten Geschäftsbereich trägt, für Just Ask freigebbar.
Modell-Bereitschaftsprüfung: Der automatisierte Q3-2026-Durchlauf von SAC über ein Modell, der fehlende Semantik, unklare Hierarchien und mehrdeutige Bezeichnungen markiert.
Text-to-SQL: Der alternative Ansatz, der ein LLM direkt auf Datenbankschemata statt auf einer semantischen Schicht erdet — siehe „Natural-Language-Abfragen über SAP-Daten — Text-to-SQL-Muster und Grenzen“.
Eingeschränkte / berechnete Kennzahl: Ein Konstrukt des analytischen Modells, das eine Geschäftszahl filtert oder ableitet (z. B. Nettoumsatz als auf Ist-Werte eingeschränkter Umsatz), sodass jeder Konsument, Mensch oder Agent, dieselbe Definition wiederverwendet.
Hierarchie (analytisches Modell): Eine Eltern-Kind-Struktur (Produkt, Geografie, Organisation, Zeit), die es einem Agenten erlaubt, ein Mitglied wie „Deutschland“ auf die richtige Ebene aufzulösen und korrekt darüber oder darunter zu aggregieren.
Grounding — zwei SAP-Bedeutungen: Im Orchestrierungsdienst ist Grounding ein RAG-Pipeline-Modul, das Dokumente abruft; in Joule-/Modell-Begriffen bedeutet Grounding, eine Frage gegen eine governte semantische Schicht oder den Knowledge Graph aufzulösen — beide sind nicht austauschbar.
Cortex-Analyst-Semantikmodell (Pendant-Begriff): Snowflakes YAML-deklariertes Gegenstück zu einem Datasphere-Analysemodell: logische Tabellen, Dimensionen, Kennzahlen und Synonyme, die Cortex Analyst vor einer Antwort konsultieren muss.

Quellen

Vollständige Karte im Consultant-Tarif — 19,90 €/Monat. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →

Redaktion: Cédric Mary · Wie diese Seite entsteht

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.